Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 5 июн 2024

Ссылки

Hugging Face

bert-base-cased-fp-sick

varun-v-rao

Классификация текстаТекст → label

Дообученная на SICK модель BERT для классификации текстовых последовательностей.

6скачиваний за 30 дней0лайковвеса обновлены5 июн 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

varun-v-rao/bert-base-cased-fp-sick — модель классификации последовательностей на архитектуре BERT, дообученная на наборе данных SICK на основе bert-base-cased. Она предназначена для классификации текстовых примеров; на оценочной выборке автор сообщает accuracy 0,8545 и loss 0,3973. Модель содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors.

Модель может подойти для классификационных задач, связанных с данными SICK. Карточка не раскрывает подробности о метках классов и конкретных сценариях использования. Лицензия — Apache-2.0.

Сценарии применения

классификация текстовых примеров из набора SICK
оценка качества модели на задачах классификации SICK
эксперименты с классификацией предложений на основе BERT

Ограничения

В README не описаны классы и ограничения применения; заявленная точность на оценочной выборке составляет 0,8545, но условия и методика оценки не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-cased-fp-sick

This model is a fine-tuned version of bert-base-cased on the sick dataset. It achieves the following results on the evaluation set:

Loss: 0.3973
Accuracy: 0.8545

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 64
eval_batch_size: 32
seed: 34
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	70	0.6825	0.6727
No log	2.0	140	0.4141	0.8505
No log	3.0	210	0.3973	0.8545

Framework versions

Transformers 4.35.2
Pytorch 2.0.1+cu118
Datasets 2.15.0
Tokenizers 0.15.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 2ed9e09